¿Cómo convertir tus PDF en información que la IA entiende?

¿Por qué un PDF no es todavía un dato?

El PDF se inventó para que un documento se vea igual en cualquier pantalla o impresora, no para que un programa lo entienda. Por dentro, una factura en PDF es un conjunto de letras colocadas en ciertas posiciones de la página. Tú ves una tabla con conceptos e importes; el programa ve trozos de texto sueltos, y no sabe que «1.250,00» es el total y no la base.

Si le das a la IA el texto tal cual, a menudo acierta, pero no siempre, y cuando falla no se nota. Por eso conviene convertir el documento en datos antes de preguntar.

PDF con texto y PDF que son una foto

Hay dos tipos y conviene distinguirlos. Los PDF que genera un programa (una factura que exporta tu ERP o la que te manda un proveedor por correo) llevan el texto dentro: si puedes seleccionar una palabra con el ratón, es de este tipo. Los escaneos, en cambio, son una foto de un papel.

Para un escaneo hace falta antes un reconocimiento de texto (OCR), que convierte la imagen en letras. Con un buen escaneo funciona bien. Con uno torcido, borroso o con sombras, empieza a confundir un 8 con un 3, y eso en un importe es un problema serio.

¿Qué es la extracción estructurada?

Es decidir, para cada tipo de documento, qué datos hay que sacar y en qué formato, y sacarlos siempre igual. Por ejemplo:

• Factura: proveedor, CIF, número, fecha, base, IVA, total, fecha de vencimiento y pedido al que corresponde.
• Albarán: número, fecha, cliente u obra, líneas con producto y cantidad, y si está firmado.
• Contrato: partes, fecha de firma, duración, renovación automática, plazo de preaviso, penalizaciones y cláusulas que interesen.

Cada dato extraído guarda de qué documento y de qué página sale. Así, cuando la IA responde, puede decirte exactamente dónde mirarlo. Esa extracción se hace en tu instalación, y a la IA solo le llegan los datos que necesita cada pregunta.

¿Por qué no hace falta un modelo de visión?

Un modelo de visión es una IA que «mira» imágenes. Se podría enviarle cada página y pedirle que la lea, pero cada página cuesta más, el resultado cambia un poco de una vez a otra y tendrías que enviar el documento entero cada vez que preguntas. Y el documento completo saldría hacia el proveedor aunque solo necesitaras un importe.

Extraer primero los datos tiene tres ventajas: se hace una sola vez por documento, el resultado se puede comprobar y, en cada pregunta, la IA recibe solo los campos necesarios.

¿Qué no se puede leer bien?

• Escaneos torcidos, borrosos, con poca luz o hechos con el móvil de cualquier manera.
• Faxes antiguos y fotocopias de fotocopias.
• Sellos o firmas encima de las cifras.
• Texto escrito a mano: no prometemos leer manuscritos.
• Tablas muy complejas, con celdas unidas o que saltan de página, que pueden necesitar reglas propias.

Cuando un documento no se puede leer con confianza, lo mejor es decirlo y apartarlo para revisarlo a mano, no meter un número dudoso. A menudo la solución es sencilla: pedir al proveedor la factura original en PDF o escanear con mejor calidad.

¿Cómo se comprueba lo extraído y quién puede verlo?

Hay comprobaciones sencillas que detectan muchos errores: que la base más el IVA sume el total, que el CIF tenga un formato válido, que el número de factura no esté repetido o que el importe cuadre con el pedido del ERP. Al empezar se revisa también a mano una muestra de documentos.

Los permisos se aplican igual que con cualquier otro dato: los contratos de personal no los ve quien sí puede ver las facturas de proveedores. Y un PDF también puede llevar texto escondido con instrucciones para la IA; se trata como contenido que se lee, nunca como órdenes.